Axis1 Bias Direction Analysis:Architecture-Dependent Internal Bias in AI Upscaling Models(Four-Model, 328M Block Database, Technical Report v1.3)

Abstract: This technical report presents a four-model empirical verification of the Axis1 internal bias direction in AI upscaling architectures, analyzing 328 million image blocks (81, 975, 528 blocks per model) derived from 5, 004 NIH ChestX-ray8 images. Axis1 is defined as sign (PC1ₙoTTA) · log (1 + |PC1ₙoTTA|), where PC1 is the first principal component of the SSIM internal feature space under no-TTA conditions. SQL-based cross-model analysis of direction components stratified by Axis1 polarity reveals two architecture-dependent groups. Type A models (Upscayl Standard, SwinIR) show positive Axis1 driven by artifact addition (ringing, blocking, texture degradation), with negative Axis1 corresponding to sharpness loss. Type B models (Upscayl High, Upscayl Digital) show the opposite polarity: positive Axis1 reflects sharpness amplification, while negative Axis1 indicates artifact-dominant degradation. These findings demonstrate that Axis1 bias polarity cannot be interpreted uniformly across architectures and must be treated as a model-specific diagnostic indicator. This report extends and corrects §8. 3 of Technical Report v1. 1 (DOI: 10. 5281/zenodo. 18883267), which was based on a single-model analysis only. Raw Data Provenance and Reproducibility (v1. 1) This project conducts a comprehensive analysis across four different AI models, each evaluated under two processing paths—Notta (Standard) and TTA (Test Time Augmentation) —resulting in eight total configurations. Across these configurations, the system processes approximately 82 million blocks per path, yielding roughly 650 million data points overall. To protect unpublished findings currently being prepared for an academic paper, the raw CSV data files themselves remain unpublished at this stage. These files will be released in this repository following the publication of the associated research paper. In this version (v1. 1), a complete SHA256 hash list of all raw output files (rawcsvₛha256. zip) is provided to establish priority and mathematically guarantee data integrity. These hashes uniquely identify the foundational AI output data prior to any statistical processing, ensuring that the raw data released in the future will be exactly identical to the data used in this research, regardless of DuckDB versions, import settings, or other software configurations. Furthermore, the source code for the engine used to generate this dataset is already publicly available through the related Zenodo record (17677441) and on GitHub, ensuring full transparency and reproducibility of the data generation process. Note on TerminologyIn this dataset and documentation, the term “Original” is used interchangeably with “Ground Truth (GT) ”, referring to the high‑quality source images used as the baseline for analysis. Dataset and Mandatory Citation: - Source: NIH ChestX-ray8 (Hospital-scale chest x-ray database) - Citation: Wang, X. , et al. (2017). "ChestX-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thoracic diseases. " Proceedings of the IEEE CVPR, 3462–3471. - Download: https: //nihcc. app. box. com/v/ChestXray-NIHCC Software and Tools UsedThe dataset was generated and processed using the following specialized tools and AI models: - Source Data Generation Tool — Custom application developed by the author for block‑level diagnostic CSV generationhttps: //zenodo. org/records/17677441- Upscayl — Primary GUI/engine for image upscalingLicense: GNU AGPLv3- Real‑ESRGAN / SwinIR — Underlying AI architectures used for image restoration and enhancementLicenses: Real‑ESRGAN (Apache License 2. 0) / SwinIR (Apache License 2. 0) Credits & Citations- Data Generation Tool — Developed by the author- Upscayl — Developed by Nayam Amarshe and TGS963- SwinIR — Liang, J. , et al. “SwinIR: Image Restoration Using Swin Transformer. ” arXiv: 2108. 10257 (2021) - Real‑ESRGAN — Wang, X. , et al. “Real‑ESRGAN: Training Real‑World Blind Iterative Image Restoration. ” ICCV Workshops, 2021 (https: //github. com/xinntao/Real-ESRGAN) 要約: 本テクニカルレポートは、AIアップスケーリングアーキテクチャにおける Axis1 内部バイアス方向の4モデル実証検証を示す。NIH ChestX-ray8 画像 5, 004 枚から生成された 3億2800万ブロック (1モデルあたり 81, 975, 528 ブロック) を分析対象とした。Axis1 はsign (PC1ₙoTTA) · log (1 + |PC1ₙoTTA|) と定義され、PC1 は TTA なし条件下における SSIM 内部特徴空間の第1主成分である。 Axis1 極性で層別化した方向成分の SQL ベースのクロスモデル分析により、アーキテクチャ依存の2グループが明らかになった。Type Aモデル (Upscayl Standard、SwinIR) は Positive Axis1 がアーティファクト付加 (ringing、blocking、texture劣化) によって駆動され、Negative Axis1 はシャープネス消失に対応する。Type B モデル (Upscayl High、Upscayl Digital) は逆の極性を示し、Positive Axis1 が鮮鋭化を反映し、Negative Axis1 がアーティファクト支配の劣化を示す。 これらの知見は、Axis1 バイアス極性がアーキテクチャ横断で一律に解釈できないことを示し、モデル固有の診断指標として扱う必要があることを実証する。本レポートは、単一モデル分析のみに基づいていたテクニカルレポート v1. 1 (DOI: 10. 5281/zenodo. 18883267) の §8. 3 を拡張・訂正するものである。 生データの来歴と再現性 (v1. 1) 本プロジェクトでは、4つの異なるAIモデルに対し、それぞれ「Notta」および「TTA」を適用した計8パターンの網羅的解析 (計8, 200万ブロック、約6. 5億データポイント) を実施しています。 現在執筆中の論文における未発表の知見を保護するため、これらの生データ (CSV形式) 本体は、現時点では非公開とし、関連論文の発表に合わせて本リポジトリにて公開する予定です。 本バージョン (v1. 1) では、先行権の確定とデータの真正性を数学的に保証するため、すべての生出力ファイルに対する SHA256 ハッシュリスト (rawcsvₛha256. zip) を先行して提供します。これらのハッシュは、アプリケーション側で統計処理が行われる前の基礎となる AI 出力データを一意に特定するものであり、将来公開される生データが本リサーチの内容と完全に同一であることを保証します。 なお、本データセットを生成したエンジンのソースコードは、すでに関連レコード (17677441) および GitHub にて公開されており、データ生成プロセスの透明性と再現性が担保されています。 用語に関する注記本データセットおよびドキュメントにおいて、“Original (オリジナル) ” は “Ground Truth (GT / 正解画像) ” と同義であり、解析の基準となる高品質なソース画像を指します。 データセットおよび必須引用文献: 出典: NIH ChestX-ray8 (病院規模の胸部X線データベース) 引用文献: Wang, X. , et al. (2017). "ChestX-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thoracic diseases. " Proceedings of the IEEE CVPR, 3462–3471. ダウンロード: https: //nihcc. app. box. com/v/ChestXray-NIHCC 使用ソフトウェアおよびツールデータセットの生成および処理には、以下の専用ツールおよび AI モデルを使用しました。- ソースデータ生成ツール: 著者が開発したブロック単位診断 CSV 生成アプリhttps: //zenodo. org/records/17677441- Upscayl: 画像アップスケーリングの主要 GUI / エンジン- Real‑ESRGAN / SwinIR: 画像復元・強調に使用された基盤 AI アーキテクチャ- ライセンス: Upscayl (GNU AGPLv3) / SwinIR (Apache License 2. 0) クレジットおよび引用- データ生成ツール: 著者による開発- Upscayl: Nayam Amarshe および TGS963 による開発- SwinIR: Liang, J. , et al. “SwinIR: Image Restoration Using Swin Transformer. ” arXiv: 2108. 10257 (2021) - Real‑ESRGAN: Wang, X. , et al. “Real‑ESRGAN: Training Real‑World Blind Iterative Image Restoration. ” ICCV Workshops, 2021 (https: //github. com/xinntao/Real-ESRGAN) Technical Report v1. 1: Statistical Infrastructure and Quantitative Analysis of SSIM BlindSpots in 82M Block Database